Apports des techniques d’apprentissage semi-supervisées dans l’établissement de liens entre artefacts de conception

Dans un environnement collaboratif de développement de systèmes complexes, plusieurs entreprises doivent échanger un nombre important de modèles hétérogènes et d’exigences. Durant les phases du cycle de vie du système, ces artefacts, reliés les uns aux autres et issus de différents outils de modélisations, évoluent constamment. Dans un tel environnement, il est crucial de gérer l’impact des différents changements se produisant dans les différents espaces de conception. La traçabilité répond à ce besoin. Toutefois, établir des liens entre des exigences et des modèles en ingénierie des systèmes complexes suppose de faire face à une volumétrie importante des artefacts. Par exemple, pour une spécification d’un véhicule autonome comprenant 3 000 exigences et 400 éléments de modèles, il faudrait en théorie vérifier de l’ordre d’un million de liens potentiels. Bien que plusieurs approches aient été proposées pour l’identification des liens de traçabilité, le processus de validation des liens est toujours chronophage et générateur d’erreurs. Dans cette thèse, nous proposons une approche semi supervisée qui permet d’apprendre via un modèle probabiliste à reconnaître des liens de traçabilité valides ou non valides à partir de mesures syntaxiques et sémantiques. Cette approche fournit ainsi une mesure quantitative de confiance sur chaque lien candidat. Cette dernière permet potentiellement à l’expert en phase de validation d’optimiser son effort de vérification des liens tout en maîtrisant les risques d’erreur.